基于机器学习的SDN网络流量预测与部署策略

发布时间：2021-12-31 20:37

　　针对由于网络流量的复杂多变而导致的软件定义网络（SDN）架构控制平面的负载不均问题,提出一种基于隐马尔科夫优化的最大熵网络流量预测和控制器预部署PPME模型。根据协议种类对SDN流量进行分类,利用已捕获的历史数据流,采用最大熵算法预测未来数据流的分布,生成控制平面中各类控制器的预部署方案,并加入隐马尔科夫链对预测方案的时效性进行优化。实验结果表明,相比于SVR模型与GBRT模型,该模型具有更高的预测精度,且生成的预部署方案能够适应复杂SDN环境中的动态变化,减少了由于突发事件而导致的负载不均和控制器迁移,缩短了由控制器迁移而产生的网络延迟与响应时间。 

【文章来源】：计算机工程. 2020,46(10)北大核心CSCD

【文章页数】：8 页

【部分图文】：

SHLB模型架构

隐马尔科夫算法的状态图如图2所示,其中,Hi(i=1,2,…,T)为隐藏状态集合,Oi(i=1,2,…,T)为观测值集合。马尔科夫过程位于可观测状态之上,由当前状态决定,A只能观测Oi,且Oi由马尔科夫过程和B的隐状态决定。2 本文模型设计

本文从 MAWI Working Group获取了12月×30天×24小时的流量集,该流量集已被广泛应用于流分类,可以帮助研究人员评估其流量检测方法[22]。数据集中的数据特征包括产生数据包的时间、传输控制层的协议、目标地址、发送地址以及数据包配置信息(数据包大小、端口号与MAC地址)等。对于本文来说,影响流量预测的主要因素是数据包的数量、时间和协议类型,因此,PPME模型以数据包大小、数据包协议名称和时间作为特征值,通过对数据进行整理,生成了网络流数据矩阵,具体如图3所示,其中,行表示每秒内各个协议数据包的数量,列表示各种协议类型。在单位时间内,不同协议的数据流数量差别较大,如图4所示,其中,HTTP数据流最多,且HTTPS、UDP和ICMP数据流相差不大,而IPv6、UDPv6及其他数据流较少,利用该流量分布指导控制层中控制器的分类及部署。图4 各种协议数据流的分布

【参考文献】：
期刊论文
[1]基于最大熵模型预测水杨柳的潜在生境分布[J]. 周扬,易雨君,杨雨风,王文君.  水利水电技术. 2019(05)
[2]一种基于改进信息增益特征选择的最大熵模型文本分类方法[J]. 何明.  西南师范大学学报(自然科学版). 2019(03)
[3]基于最大熵的中文词语情感分析研究[J]. 王磊.  计算机时代. 2018(12)
[4]基于最大熵和HMM的藏文新词识别对比研究[J]. 色差甲,贡保才让,才让加.  青海师范大学学报(自然科学版). 2018(01)
[5]基于最大熵原理的网络流量预测综合模型[J]. 林天峰.  微电子学与计算机. 2006(08)

博士论文
[1]软件定义网络关键技术及相关问题的研究[D]. 胡延楠.北京邮电大学 2015

硕士论文
[1]SDN网络控制平面负载均衡技术的研究[D]. 李琳.内蒙古师范大学 2018



本文编号：3560935